随着矿山智能开采的提出,建立煤层采动过程中覆岩变形大范围监测系统对保障矿山安全高效开采有重要作用,分布式光纤被引入矿山覆岩的变形监测中,开展了丰富的实验室和工程应用研究。但无论是实验室研究还是实际工程应用,由于分布式光纤铺设工艺复杂且铺设成本较高,难以进行密集铺设,给覆岩变形大范围监测及变形精准表征带来了困难。为解决这个问题,本文研究了基于深度学习的采动覆岩变形分布式光纤监测数据推测方法,为分布式光纤应用于煤矿智能化围岩变形监测提供研究基础。本文以分布式光纤监测采动覆岩变形的物理相似模拟实验为研究背景,以垂直光纤测点的频移值为数据源,提出通过现有光纤的频移数据推测覆岩中未埋设光纤位置处虚拟测点频移数据的思想,建立了 CNN-GRU深度神经网络组合推测模型。并以平均绝对误差（MAE）,均方根误差（RMSE）作为模型的性能评价指标,与卷积神经网络（CNN）、门控循环单元（GRU）网络的推测效果作对比分析。在仿真实验中通过遗传算法（GA）对模型参数进行寻优。仿真实验结果显示CNN-GRU模型在工作面逐渐靠近垂直光纤的频移值推测中,MAE为0.6818,RMSE为0.8617,分别比CNN推测方法的MAE、RMSE 低 0.8611、1.0458,比 GRU 推测方法的 MAE、RMSE 低 0.729、0.7579;工作面过光纤并逐渐远离的推测中MAE为9.4213,RMSE为11.6665,分别比CNN推测方法的 MAE、RMSE 低 11.2544、12.0161,比 GRU 推测方法的 MAE、RMSE 低 6.3011、6.1463。仿真实验结果表明CNN-GRU组合模型对未埋设垂直光纤虚拟测点频移值的数据推测具有更高的精度,实现了分布式光纤监测的数据推测。数据推测的前提是需要保证现有光纤测点数据的完整性,因此本课题也研究了光纤失效监测点缺失数据的填补问题,建立了基于XGBoost的缺失数据填补方法。完成了在10%、20%、30%、40%不同失效率下的缺失数据填补仿真实验,并以R2和MAE作为性能评价指标,将其与K最近邻、SVR、LightGBM三种机器学习方法的填补效果进行对比分析。仿真实验结果显示,采用XGBoost进行数据填补,在工作面逐渐靠近垂直光纤过程的填补中,10%、20%、30%、40%失效率的R2分别为0.9912、0.9831、0.9683、0.9095,MAE分别为0.7203、0.7218、0.8411、1.0505;工作面过光纤并逐渐远离过程的填补中,不同失效率的R2分别为0.9934、0.9911、0.9619、0.9187,MAE分别为3.9035、6.5147、8.6042、12.8883。结果表明,针对光纤失效监测点缺失数据填补,XGBoost方法相比于其他三种方法具有更高的准确率和更好的普适性。